| Abstract: |
We use Long Short Term Memory (LSTM) neural networks, a deep learning
technique, to forecast Colombian headline inflation one year ahead through two
approaches. The first one uses only information from the target variable,
while the second one incorporates additional information from some relevant
variables. We employ sample rolling to the traditional neuronal network
construction process, selecting the hyperparameters with criteria for
minimizing the forecast error. Our results show a better forecasting capacity
of the network with information from additional variables, surpassing both the
other LSTM application and ARIMA models optimized for forecasting (with and
without explanatory variables). This improvement in forecasting accuracy is
most pronounced over longer time horizons, specifically from the seventh month
onwards. **** RESUMEN: A través de dos enfoques utilizamos redes neuronales
Long Short-Term Memory (LSTM), una técnica de aprendizaje profundo, para
pronosticar la inflación en Colombia con un horizonte de doce meses. El primer
enfoque emplea solo información de la variable objetivo, la inflación,
mientras que el segundo incorpora información adicional proveniente de algunas
variables relevantes. Utilizamos rolling sample dentro del proceso tradicional
de construcción de las redes neuronales, seleccionando los hiperparámetros con
criterios de minimización del error de pronóstico. Nuestros resultados
muestran una mejor capacidad de pronóstico de la red bajo el segundo enfoque,
superando al primer enfoque y a modelos ARIMA optimizados para pronóstico (con
y sin variables explicativas). Esta mejora en la capacidad de pronóstico es
más pronunciada en horizontes más largos, específicamente entre el séptimo y
doceavo mes. |
| Keywords: |
Deep learning, Long Short Term Memory neural networks, forecast, inflation, Aprendizaje profundo, redes neuronales Long Short-Term Memory, pronóstico, inflación |